I Nettpedagogikk 1 ble du introdusert for begrepet "datadrevet beslutningstaking" og modellen som du ser nedenfor. La oss repetere hva begrepet innebærer, før vi legger til litt nytt, og ser på hvorfor modellen kan brukes i ditt eget arbeid i modulen.

Hva er "datadrevet beslutningstaking"?

Noe av det første vi må finne ut når vi skal begynne å innhente data er hva vi egentlig ønsker å finne svar på. Å kunne utforme gode spørsmål - som faktisk gir oss de svarene som vi kan bruke i analysen - er svært viktig, og er del av et stort fagområde som vi ikke kan gå inn i detaljer på i dette kurset. Tenk f.eks. et begrep som "god lønn" - det er en formulering som kan bli oppfattet ulikt av ulike mennesker. Her må det ofte både testes ut og gjøres beregninger før man finner spørsmålsett som fungerer.

Deretter må vi hente inn data, f.eks. gjennom spørreskjemaer o.l. Som vi skal se gå mer i dybden på i denne modulen, er det mange måter å hente inn data på - enten aktivt gå ut og spørre eller hente data som allerede er generert gjennom hva deltakeren har gjort (svart på prøver, hvor lang tid man har brukt, hvor mange forsøk osv). I et nettkurs vil man ofte hente inn data gjennom å sende ut et spørreskjema, og i likhet med andre datainnhentinger - f.eks. i forbindelse med valgdagsmålinger - må du, som lærer, vurdere hvor mange svar du trenger for at dataene skal være gode nok til at du skal kunne se en trend altså et representativt utvalg, for at du skal kunne analysere/ bruke dataene. Hvis tre av 50 kursdeltakere svarer, så vil det være vanskelig å si noe generelt.

Analyse eller tolkning av data er også et stort fagfelt. Her skal man prøve å framstille de funnene man har gjort, og ofte gjør man dette i form av ulike former for visualiseringer, særlig dersom det er kvantitative data (tallmateriale ol) man skal vise fram. Du har nok mange ganger sett dette i form av søylediagrammer, grafer/trendlinjer, sektordiagrammer eller som andre former for visualiseringer (mennesker fargelagt i rødt og sort for å vise antall mennesker dette gjelder - som i 2 av 10 har opplevd dette). Men, som du lærte i forrige semester, så kan det av og til være vanskelig å avgjøre om faktorer henger sammen eller om dette bare er tilfeldigheter. Et av eksemplene fra høstens emnet var at man for eksempel kan tenke seg at det spises mer is om sommeren enn om vinteren fordi det er varmere om sommeren, så her kan man tenke seg at dette henger sammen. Hvis man derimot ser at økning av den globale temperaturen ser ut til å samvariere med at befolkningen i Norge i snitt blir høyere eller omvendt proposjonal med antall sjørøvere i verden - så er dette en sammenheng vi skaper selv, og som dataene ikke underbygger. Her må man derfor ha "tunga rett i munnen"!

Framstilling av data er derfor vanskelig, og det heter seg jo at statistikk lyver - ikke helt uten grunn. Man kan enten feiltolke de datapunktene man har og se samvariasjoner som skyldes tilfeldigheter eller at det faktisk ikke er et årsak-effektforhold som ligger til grunn. Mye grafikk kan også framstilles på måter som gjør at den som blir presentert for den tolker den på en annen måte enn hva dataene faktisk viser. Det er utallige eksempler på denne type manipulerte framstillinger av data. Typisk er at man viser bare et utsnitt av en graf framfor å vise hele (zoomer inn) - da kan man lett tro at det er store variasjoner, mens fakta egentlig viser veldig små variasjoner.

Når man skal analysere kvalitative data (intervjuer, tekstsvar i spørreskjemaer osv) så finnes det mange ulike (forsknings)metoder for å gjøre dette. Ett eksempel er det som kalles "tematisk analyse" (Braun & Clarke, 2006) der man enkelt sagt leter etter mønstre i det som skrives/ sies for så å utvikle noen overordnede temaer som kan fortelle om de større trekkene i datamaterialet. Det er ikke noe mål i dette kurset at du skal gjennom en omfattende "forskningsprosess" når du analyserer datamaterialet ditt, men når du f.eks. har samlet inn tekstsvar i et spørreskjema, så er det både lurt og viktig å se etter mønstrene og hovedtrekkene i det respondentene sier. Det å notere ned stikkord knyttet til hvert svar, for å se om mange stikkord sammenfaller, lage ordskyer osv. kan være andre måter å jobbe med å finne "hovedtemaene" i svarene.

Analysen og presentasjonen av data skal til syvende og sist danne grunnlag for at man skal kunne ta veloverveide beslutninger. Siste del av en slik prosess er å evaluere beslutningene - var de avgjørelsene vi tok eller konklusjonene vi dro korrekte når vi ser på dem i ettertid?

Illustrasjon som viser datadrevet beslutningstaking

Hvorfor er modellen viktig for deg og ditt kurs?

For det første tror vi modellen kan være et nyttig verktøy når du skal revidere og utvikle dine egne (framtidige) nettkurs. Selv om feltet er stort og komplisert, så gir modellen og teksten over forhåpentligvis en viss forståelse av hva du som nettpedagog må vite og gjøre i reviderings- og evalueringsfasen. Til sist i denne modulen skal du også bruke modellen når du legger en plan for din innsamling av data - din læringsanalyse.

Litteratur:

Braun, V., & Clarke, V. (2006). Using thematic analysis in psychology. Qualitative research in psychology, 3(2), 77-101.

Læringsanalyse og bruk av data for analyse. https://hiof.instructure.com/courses/4980/pages/6-dot-6-0-laeringsanalyse-og-bruk-av-data-for-analyse?module_item_id=121754